.png){kind=icon}
返回
Dynamic multi-knowledge evolutionary algorithm for sparse large-scale multi-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114764.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出了一种知识引导的进化框架，该框架整合先验向量、过滤向量和统计向量，以自适应地指导稀疏大规模问题中的二元优化。
• 引入了一种多区间采样初始化策略，以更可靠地估计变量重要性，并支持稀疏感知的种群生成。
• 通过两种互补算子增强二元变异，算法能自适应地在早期探索和后期精炼之间切换。
• 设计了一种自适应实值变异算子，包含选择性变异和动态参数调整，以高效地微调选定变量。
• 在基准测试和真实世界的稀疏优化任务中表现出最优性能，包括稀疏神经网络训练和信号重建。
